Forschungsartikel

Latente Profilanalyse von Schlafmustern und deren Zusammenhang mit dem körperlichen Aktivitätsniveau unter chinesischen Studierenden

69 Aufrufe

⸱

DOI:

10.3791/73033

⸱

15. September 2026

 ,  ,  ,  ,  ,  , 
1Department of Physical Education, Central South University, 2School of Sport Science, Jishou University

* These authors contributed equally

In diesem Artikel

Zusammenfassung

Diese querschnittliche latente Profilanalyse von 1.420 chinesischen Hochschulstudierenden identifizierte mithilfe des PSQI vier unterschiedliche Schlafprofile. Gesündere Schlafprofile waren signifikant mit höheren Aktivitätsniveaus bei moderater bis kräftiger körperlicher Aktivität assoziiert, was auf zielgerichtete Maßnahmen für die Gesundheitsförderung am Campus hinweist, die auf spezifische Schlafmuster abzielen.

Zusammenfassung

Diese Querschnittsstudie hatte zum Ziel, latente Profilgruppen von Schlafmustern bei Studierenden zu identifizieren und deren Zusammenhänge mit den Aktivitätsniveaus (PA) zu untersuchen, um dadurch evidenzbasierte Ansatzpunkte für gezielte Gesundheitsinterventionen an Hochschulen zu liefern. Insgesamt 1.420 Studierende wurden mittels mehrstufiger, geschichteter Zufallsstichprobe aus drei universitären Hochschulen in Südchina rekrutiert. Die Schlafqualität und die körperliche Aktivität wurden mithilfe des Pittsburgh Sleep Quality Index (PSQI) bzw. des International Physical Activity Questionnaire-Short Form (IPAQ-SF) erfasst. Eine latente Profilanalyse (LPA), Chi-Quadrat-Tests sowie multinomiale logistische Regressionsanalysen wurden mit geeigneter statistischer Software durchgeführt. Vier latente Schlafprofile wurden basierend auf den modellgeschätzten Klassenwahrscheinlichkeiten identifiziert: gesunder Schlaf (44,7 %), unzureichender Schlaf (24,8 %), schlechte Schlafqualität (20,3 %) und schwere Schlafstörung (10,2 %); die entsprechenden beobachteten Anteile basierend auf der wahrscheinlichsten Klassenzuordnung betrugen 45,0 %, 25,0 %, 20,0 % und 10,0 % (n = 639, 355, 284 und 142). Geschlecht und PA-Niveau unterschieden sich signifikant zwischen den Profilen. Im Vergleich zu Studierenden mit schwerer Schlafstörung war die Wahrscheinlichkeit, dass Studierende mit gesundem Schlafmodus moderate körperliche Aktivität (Odds Ratio (OR) = 4,69, 95 % Konfidenzintervall (KI): 2,92–7,51) und hohe körperliche Aktivität (OR = 7,55, 95 % KI: 4,41–12,91) angaben, deutlich höher. Auch Studierende mit unzureichendem Schlaf gaben signifikant häufiger moderate körperliche Aktivität (OR = 2,98, 95 % KI: 1,83–4,86) und hohe körperliche Aktivität (OR = 5,02, 95 % KI: 2,84–8,87) an. Die Schlafmuster von Studierenden wiesen eine klare Heterogenität auf. Günstige Schlafmuster waren mit höheren PA-Niveaus assoziiert. Aufgrund des Querschnittsdesigns können keine kausalen Schlussfolgerungen gezogen werden. Differenzierte Interventionsstrategien sollten entsprechend den spezifischen Schlafmerkmalen der Subgruppen entwickelt werden, und die Förderung körperlicher Aktivität könnte als potenzielles Verhaltensziel für Studierende mit schlechtem Schlaf in Betracht gezogen werden.

Einleitung

Schlaf ist nicht nur für die Aufrechterhaltung grundlegender physiologischer Funktionen unerlässlich, sondern auch für die Unterstützung der körperlichen und psychischen Gesundheit, der kognitiven Entwicklung sowie der emotionalen Regulation1,2. In heutigen schnelllebigen Gesellschaften sind Schlafstörungen jedoch zu einem globalen Problem der öffentlichen Gesundheit geworden. Schlafprobleme treten insbesondere bei Studierenden gehäuft auf, die nach dem Eintritt in die Universität oft einen Rückgang der elterlichen Aufsicht erleben und gleichzeitig unter akademischem Druck, sozialer Anpassung und übermäßigem Gebrauch elektronischer Geräte leiden3. Epidemiologische Studien haben gezeigt, dass weltweit etwa 25 %–60 % der Studierenden über unterschiedliche Grade schlechter Schlafqualität oder Schlafentzug berichten4,5. Anhaltende Schlafprobleme können die Funktion des zentralen Nervensystems beeinträchtigen, was zu Unaufmerksamkeit und Gedächtnisverlust führen kann; außerdem können sie das Risiko für psychische Gesundheitsprobleme wie Depressionen und Angstzustände erhöhen6,7 sowie das zukünftige Risiko für kardiovaskuläre Erkrankungen und das metabolische Syndrom8.

Frühere Schlafstudien haben überwiegend eine variablenzentrierte analytische Perspektive verfolgt und den Schlafstatus auf Gruppenebene anhand von Gesamtscores standardisierter Skalen wie dem Pittsburgh Sleep Quality Index (PSQI) oder den Mittelwerten bestimmter Dimensionen bewertet9. Obwohl dieser Ansatz eine anschauliche Schätzung der gesamten Schlafschwere ermöglicht, setzt er implizit voraus, dass die untersuchte Population homogen ist. Tatsächlich ist Schlaf ein mehrdimensionaler physiologischer Prozess, der Schlafdauer, Einschlafzeit, Schlafeffizienz, nächtliche Erwachen und Tagesmüdigkeit umfasst10. Personen mit demselben Gesamtscore im PSQI können deutlich unterschiedliche Symptombilder aufweisen; beispielsweise könnte ein Studierender hauptsächlich Schwierigkeiten beim Einschlafen haben, während ein anderer vorzeitiges Erwachen und Tagesmüdigkeit erlebt. In den letzten Jahren gewinnen personenzentrierte Ansätze zunehmend an Bedeutung. Mithilfe der latenten Profilanalyse (LPA) lassen sich verborgene heterogene Subgruppen in den Daten identifizieren, indem die Unterschiede zwischen den Profilen maximiert und die Unterschiede innerhalb der Profile minimiert werden11,12. Mit Hilfe der LPA können Forschende spezifische Schlafprofile bei Studierenden genauer beschreiben13 und dadurch präzisere Ansatzpunkte für Interventionen bereitstellen.

Körperliche Aktivität (PA) wird von der Weltgesundheitsorganisation und anderen öffentlichen Gesundheitsleitlinien als Eckpfeiler der Gesundheitsförderung über den gesamten Lebensverlauf hinweg empfohlen14,15. Empirische Studien und Metaanalysen haben gezeigt, dass regelmäßige körperliche Aktivität von moderater bis hoher Intensität die kardiorespiratorische Fitness verbessern und die Sterblichkeit senken kann16,17, sowie dabei helfen kann, psychischen Stress zu lindern und die kognitive Funktion zu verbessern18,19. Körperliche Aktivität gilt außerdem als wirksame nicht-pharmakologische Intervention bei Schlafstörungen20,21. Positive Zusammenhänge zwischen körperlicher Aktivität und Schlafqualität wurden in Kohortenstudien berichtet, die objektive Messgeräte wie Beschleunigungssensoren verwendeten22,23,24, sowie in Querschnittsstudien, die auf selbstberichteten Fragebögen basieren25,26. Darüber hinaus scheint zwischen körperlicher Aktivität und Schlaf eine wechselseitige Beziehung zu bestehen: ausreichender Schlaf kann die Motivation und Ausdauer für körperliche Aktivität steigern, während der Energieverbrauch tagsüber den Tiefschlaf in der Nacht fördern kann27,28.

Obwohl weitgehende Übereinstimmung darüber besteht, dass körperliche Aktivität die allgemeine Schlafqualität verbessert, weist die bestehende Literatur mehrere Einschränkungen auf. Die meisten Studien haben körperliche Aktivität als unabhängige Variable betrachtet, die einen einzelnen Schlafwert vorhersagt, wodurch die Möglichkeit übersehen wurde, dass unterschiedliche Schlafmuster verschiedenen Kombinationen von lebensstilbedingten Merkmalen entsprechen könnten29,30. Ob sich die Level körperlicher Aktivität bei latenten Schlafprofilen unter Studierenden unterscheiden, ist bisher unzureichend erforscht.

Vor diesem Hintergrund verfolgte die vorliegende Studie folgende Ziele: (1) latente Profile basierend auf mehrdimensionalen Indikatoren der Schlafqualität bei chinesischen Studierenden mithilfe der latenten Profilanalyse (LPA) identifizieren; und (2) die Zusammenhänge zwischen Schlafprofilen und körperlicher Aktivität (niedrig, moderat und hoch) nach Berücksichtigung demografischer Variablen untersuchen. Wir vermuteten, dass mehrere heterogene Schlafprofile unter Studierenden vorkommen und dass Studierende mit einem gesunden Schlafmuster eher moderat bis intensiv körperlich aktiv sein würden als jene mit erheblichen Schlafstörungen.

Protokoll

Die Studie wurde vom Biomedizinischen Ethikkomitee der Jishou-Universität genehmigt (Genehmigungsnummer JSDX-2023-0034). Alle Teilnehmer waren Vollzeit-Studierende im Alter von 18–25 Jahren und gaben vor der Teilnahme schriftlich informierte Einwilligung. Von den beteiligten Hochschulen wurde die erforderliche Genehmigung eingeholt. Die erhobenen Umfragedaten wurden ausschließlich für akademische Forschungszwecke verwendet und anonym analysiert. Die Studie wurde in Übereinstimmung mit der Deklaration von Helsinki und den lokalen institutionellen Anforderungen durchgeführt.

Rekrutierung der Teilnehmer und Stichprobendesign

Eine Querschnittsumfrage wurde zwischen September und Dezember 2025 an Studierenden dreier umfassender Universitäten in Südchina mithilfe eines mehrstufigen, geschichteten, zufälligen Clusterauswahlverfahrens durchgeführt. In der ersten Stufe wurden drei umfassende Universitäten aus einer Liste öffentlicher umfassender Universitäten in Südchina mittels geschichteter Zufallsstichprobe ausgewählt, wobei die Schichten nach Provinzverwaltungsregionen definiert wurden, um eine geografische Repräsentation sicherzustellen. In der zweiten Stufe wurden innerhalb jeder ausgewählten Universität zwei bis drei vollständige Klassen je Studienjahr (erstes bis viertes Jahr) zufällig als Clusterauswahleinheiten mittels computergenerierter Zufallszahlen ausgewählt, was insgesamt 28 Klassen an den drei Universitäten ergab. Alle Studierenden der ausgewählten Klassen wurden zur Teilnahme eingeladen, wie in Abbildung 1 dargestellt. Die Einschlusskriterien waren folgende: (1) eingeschriebener Bachelorstudent; (2) Alter zwischen 18 und 25 Jahren; und (3) freiwillige Teilnahme mit schriftlicher, informierter Zustimmung. Die Ausschlusskriterien waren: (1) aktuell schwere körperliche Erkrankung oder Kontraindikationen gegen körperliche Aktivität, wie beispielsweise eine Fraktur oder schwere Herzerkrankung; (2) aktuelle Einnahme von Psychopharmaka, wie beispielsweise zur Behandlung schwerer Depressionen oder Schizophrenie; und (3) Bearbeitungsdauer des Fragebogens von weniger als 180 Sekunden oder offensichtliche logische Widersprüche, wie beispielsweise die Auswahl derselben Antwortoption für alle Fragen. Insgesamt wurden 1.500 Fragebögen verteilt. Von den 80 bei der Datensäuberung ausgeschlossenen ungültigen Fragebögen wurden 24 aufgrund einer Bearbeitungsdauer unter 180 Sekunden ausgeschlossen, 20 wegen logischer Inkonsistenzen (z. B. identische Antworten bei allen Fragen oder widersprüchliche Angaben), 18 wegen eines Alters außerhalb des Bereichs von 18 bis 25 Jahren, 11 wegen übermäßiger fehlender Daten (mehr als 20 % der Fragen unbeantwortet) und 7 wegen selbstberichteter schwerer körperlicher Erkrankung oder aktueller Einnahme von Psychopharmaka. Es verblieben 1.420 gültige Fragebögen zur Analyse, was einer Effektivquote von 94,67 % entspricht.

Diagramm der latenten Profilanalyse mit Bewertungen der Schlafqualität, körperlichen Aktivität und statistischen Ergebnissen.
Abbildung 1: Studiendesign und analytischer Arbeitsablauf. Schematische Übersicht über die Rekrutierung und Auswahl der Teilnehmer (1.500 Fragebögen verteilt; 80 ausgeschlossen; N = 1.420 eingeschlossen), Bewertung mittels PSQI und IPAQ-SF, latente Profilanalyse (Vergleich von Ein- bis Fünf-Profil-Modellen anhand von AIC, BIC, aBIC, Entropie, LMRT und BLRT), Zuordnung zu vier Schlafprofilen, bivariate Chi-Quadrat-Tests, multinomiale logistische Regression mit Geschlecht als Kovariate sowie Sensitivitätsanalysen (vollständige Kovariatenanpassung und cluster-robuste Standardfehler). Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Beurteilung demografischer Merkmale und der Lebensweise

Ein selbstentwickelter Fragebogen wurde verwendet, um demografische und soziologische Merkmale zu erheben, einschließlich Geschlecht (männlich/weiblich), Alter (in Jahren), Studienjahr (Erstsemester/Zweitsemester/Drittsemester/Viertsemester), Herkunftsort (städtisch/ländlich), Body-Mass-Index (BMI), Rauchgeschichte, Alkoholkonsumgeschichte und durchschnittliche tägliche Bildschirmzeit. Der BMI wurde berechnet als Körpergewicht in Kilogramm dividiert durch das Quadrat der Körpergröße in Metern (BMI = Gewicht [kg] / Körpergröße [m]²)2). Die selbst angegebene Körpergröße und das Körpergewicht wurden vor der Analyse auf unplausible Werte überprüft; Fälle mit einer Körpergröße <140 cm oder >200 cm, Gewicht <30 kg oder >150 kg oder BMI <12 kg/m2 oder >40 kg/m2 wurden markiert und anhand der Originaldatensätze überprüft, wobei bestätigte Ausreißer ausgeschlossen wurden. Der Raucherstatus wurde in die Kategorien niemals, gelegentlich (Rauchen an einigen Tagen, aber nicht täglich) oder regelmäßig (tägliches Rauchen) eingeteilt, basierend auf dem selbstberichteten Rauchverhalten im vergangenen Monat. Der Alkoholkonsum wurde in die Kategorien niemals, gelegentlich (weniger als einmal pro Woche trinken) oder regelmäßig (mindestens einmal pro Woche trinken) eingestuft, bezogen auf den vergangenen Monat. Die durchschnittliche tägliche Bildschirmzeit wurde erfasst, indem die Teilnehmer gebeten wurden, die insgesamt verbrachte Anzahl an Stunden pro Tag mit Smartphones, Computern, Tablets und Fernsehen im vergangenen Monat anzugeben und als kontinuierliche Variable dokumentiert. Der Fragebogen wurde vor der eigentlichen Datenerhebung anhand einer Pilotstudie mit 30 Studierenden getestet, um die Verständlichkeit der Items und die Dauer der Bearbeitung zu bewerten; basierend auf dem Feedback aus der Pilotstudie wurden geringfügige Anpassungen an der Formulierung vorgenommen. Frühere Studien legen nahe, dass diese Variablen den Zusammenhang zwischen Schlaf und körperlicher Aktivität möglicherweise beeinflussen könnten30,31. Alle in dieser Studie verwendeten Instrumente, Software und Materialien sind in der Tabelle der Materialien.

Beurteilung der Schlafqualität

Der PSQI, entwickelt von Buysse et al.9, wurde verwendet, um die Schlafqualität der Teilnehmer im zurückliegenden Monat zu bewerten. Die Skala umfasst 19 selbstbeurteilte Items, die sieben Komponenten bilden: subjektive Schlafqualität, Schlafbeginnverzögerung, Schlafdauer, gewohnheitsmäßige Schlafeffizienz, Schlafstörungen, Nutzung von hypnotischen Medikamenten und Tageszeitliche Funktionsstörungen. Jede Komponente wird von 0 (keine Schwierigkeiten) bis 3 (schwere Schwierigkeiten) bewertet. Die Werte dieser sieben kontinuierlichen Komponenten wurden als beobachtete Indikatoren für die LPA verwendet. Der PSQI hat bei Studierendenpopulationen in China sowie international eine gute Reliabilität und Validität gezeigt.30In der vorliegenden Studie betrug Cronbachs Alpha für die Skala 0,83.

Beurteilung der körperlichen Aktivität

Der IPAQ-SF, entwickelt von Craig et al.32, wurde verwendet, um die körperliche Aktivität der Teilnehmer während der letzten sieben Tage zu bewerten. Der Fragebogen erfasst die Häufigkeit (Tage/Woche) und Dauer (Minuten/Tag) von körperlicher Aktivität in hoher Intensität, körperlicher Aktivität in moderater Intensität sowie von Gehaktivität. Die Werte für das metabolische Äquivalent der Aufgabe (MET) wurden gemäß dem IPAQ-Auswertungsprotokoll berechnet: MET-Minuten/Woche fürs Gehen = 3,3 × Dauer × Häufigkeit; MET-Minuten/Woche für moderate Intensität = 4,0 × Dauer × Häufigkeit; und MET-Minuten/Woche für hohe Intensität = 8,0 × Dauer × Häufigkeit. Die MET-Werte der drei Aktivitätsarten wurden summiert, um die gesamte körperliche Aktivität zu ermitteln. Die Teilnehmer wurden gemäß der für Studierende validierten IPAQ-SF-Auswertungskriterien33 in hohe PA, moderate PA und niedrige PA eingeteilt. Hohe PA wurde definiert als körperliche Aktivität in hoher Intensität an mindestens drei Tagen mit einem Gesamtwert der körperlichen Aktivität von mindestens 1.500 MET-Minuten/Woche oder als jede Kombination aus Gehaktivität, Aktivität in moderater oder hoher Intensität an sieben oder mehr Tagen mit einem Gesamtwert der körperlichen Aktivität von mindestens 3.000 MET-Minuten/Woche. Moderate PA wurde definiert als körperliche Aktivität in hoher Intensität an mindestens drei Tagen mit jeweils mindestens 20 Minuten pro Tag oder körperliche Aktivität in moderater Intensität und/oder Gehaktivität an mindestens fünf Tagen mit jeweils mindestens 30 Minuten pro Tag oder als jede Kombination von Aktivitäten, die mindestens 600 MET-Minuten/Woche erreicht. Niedrige PA wurde definiert als Nichterfüllung der Kriterien für moderate oder hohe PA. Die Datensäuberung erfolgte gemäß dem offiziellen IPAQ-Auswertungsprotokoll: Teilnehmer, die mehr als 16 h Gesamtaktivität pro Tag angaben, wurden ausgeschlossen; tägliche Dauern pro Kategorie wurden vor der Berechnung der MET-Minuten auf maximal 180 min begrenzt; und Fälle mit logisch inkonsistenten Angaben wurden während der Datensäuberung entfernt.

Statistische Analyse

Führen Sie zunächst die LPA mit Software für latente Profilmodellierung durch (siehe Tabelle der Materialien)34. Von den 1.420 Teilnehmenden hatten 33 (2,3 %) teilweise fehlende Angaben zum PSQI, wobei 69 von insgesamt 9.940 komponentenbezogenen Antworten fehlten (0,69 %; d. h. 1.420 Teilnehmende × sieben PSQI-Komponentenwerte). Die Full-Information-Maximum-Likelihood-Methode (FIML) wurde verwendet, um diese fehlenden Werte unter der Annahme zufällig fehlender Daten zu berücksichtigen. Modelle mit ein bis fünf Profilen wurden sequenziell geschätzt. Die Modellpassung wurde anhand des Akaike-Informationskriteriums (AIC), des Bayesschen Informationskriteriums (BIC), des stichprobenumfangsadjustierten BIC (aBIC), der Entropie, des Lo-Mendell-Rubin-Likelihood-Quotienten-Tests (LMRT) und des Bootstrap-Likelihood-Quotienten-Tests (BLRT) bewertet. Niedrigere AIC-, BIC- und aBIC-Werte weisen auf eine bessere relative Passung hin, während Entropiewerte nahe 1 auf eine höhere Klassifizierungsgenauigkeit hindeuten. Der LMRT und der BLRT dienten dazu, zu prüfen, ob ein Modell mit k Profilen signifikant besser passt als ein Modell mit k−1 Profilen. Die optimale Profilanzahl wurde unter gleichzeitiger Berücksichtigung statistischer Fit-Indizes, Entropie, Klassengröße (kein Profil umfasst weniger als 5 % der Stichprobe) und inhaltlicher Interpretierbarkeit ausgewählt, gemäß etablierten Leitlinien für die latente Profilanalyse11,35. Nach Auswahl der optimalen Profilstruktur wurde die wahrscheinlichste Klassenzugehörigkeit der Einzelpersonen in eine statistische Analyse-Software exportiert (siehe Tabelle der Materialien) für nachfolgende Analysen. Mithilfe des Chi-Quadrat-Tests nach Pearson wurden Unterschiede in den demografischen Merkmalen und den körperlichen Aktivitätsniveaus zwischen den Schlafprofilen untersucht. Bivariate Chi-Quadrat-Tests zeigten, dass lediglich Geschlecht und körperliche Aktivität zwischen den vier Schlafprofilen signifikant unterschieden (beide p < 0,001), während Alter, Schulabschnitt, BMI, Rauchen, Trinken und Bildschirmzeit keine signifikanten Unterschiede aufwiesen (alle p > 0,05; siehe Zusatz-Tabelle 1). Daher wurde nur das Geschlecht als Kovariate in das multinomiale logistische Regressionsmodell aufgenommen, im Einklang mit dem Sparsamkeitsprinzip. Eine Sensitivitätsanalyse, die alle erfassten Kovariaten berücksichtigt, ergab dasselbe Muster und dieselbe Signifikanz der Ergebnisse (Zusatz-Tabelle 2). Die multinomiale logistische Regression wurde mit dem Niveau der körperlichen Aktivität als abhängige Variable (niedrige körperliche Aktivität = 0, moderate körperliche Aktivität = 1, hohe körperliche Aktivität = 2) und dem Schlafprofil als zentraler unabhängiger Variable durchgeführt. Odds Ratios (ORs) und 95 %-Konfidenzintervalle (CIs) wurden berechnet. Alle Tests waren zweiseitig, und die statistische Signifikanz lag bei p < 0,05. Da die Teilnehmenden über bestehende Klassen innerhalb von Hochschulen rekrutiert wurden, führten wir eine Sensitivitätsanalyse mit dem Modul für komplexe Stichproben der Statistiksoftware durch (siehe Tabelle der Materialien), wobei Hochschule und Klasse als Cluster-Variablen definiert wurden, um designadjustierte Standardfehler zu erhalten. Die Ergebnisse stimmten mit denen der standardmäßigen multinomialen logistischen Regression überein (Zusatz-Tabelle 3). Der anonymisierte Rohdatensatz mit englischen Variablenbezeichnungen und ein Codebuch sind als Zusatzdatei 1 verfügbar.

Ergebnisse

Modelle mit einem bis fünf latenten Profilen wurden extrahiert. Wie in Tabelle 1 dargestellt, nahmen AIC, BIC und aBIC mit steigender Profilanzahl ab. Das Vier-Profil-Modell wies den höchsten Entropiewert (0,915) auf, und sowohl LMRT als auch BLRT waren signifikant (p < 0,001). Im Gegensatz dazu war das LMRT für das Fünf-Profil-Modell nicht signifikant (p = 0,085), und die Entropie sank auf 0,880. Obwohl das Fünf-Profil-Modell niedrigere Informationskriterien aufwies, wurde daher das Vier-Profil-Modell gewählt, da es ein besseres Gleichgewicht zwischen Klassifikationsgenauigkeit, Modellsparsamkeit, Klassengröße und inhaltlicher Interpretierbarkeit bietet. Die Profilbezeichnungen wurden basierend auf den bedingten Mittelwerten der sieben PSQI-Komponentenwerte über die Klassen hinweg vergeben (Abbildung 2), in Übereinstimmung mit empfohlenen LPA-Berichtspraktiken11.

Tabelle 1: Modellanpassungsindizes für die latente Profilanalyse der Schlafmuster von Studierenden. AIC, Akaike-Informationskriterium; BIC, Bayessches Informationskriterium; aBIC, an die Stichprobengröße angepasstes BIC; LMRT, Lo-Mendell-Rubin-Likelihood-Quotienten-Test; BLRT, Bootstrap-Likelihood-Quotienten-Test. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Diagramm der PSQI-Komponentenwerte; Schlafqualitätsanalyse; Liniendiagramm vergleicht Schlafbedingungen.
Abbildung 2: LPA von Schlafmustern: Vier-Profile-Lösung. Das Liniendiagramm zeigt die PSQI-Komponentenwerte für die vier latenten Schlafprofile: gesunder Schlaf, unzureichender Schlaf, schlechte Schlafqualität und schwere Schlafstörung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Basierend auf den Merkmalen der PSQI-Komponentenwerte wurden die vier Profile als die Gruppe mit gesundem Schlaf (C1), die Gruppe mit unzureichendem Schlaf (C2), die Gruppe mit schlechter Schlafqualität (C3) und die Gruppe mit schwerer Schlafstörung (C4) bezeichnet. Die modellgeschätzten Klassenwahrscheinlichkeiten betrugen jeweils 0,447, 0,248, 0,203 und 0,102. Basierend auf der jeweils wahrscheinlichsten Klassenzuordnung ergaben sich die beobachteten Fallzahlen von 639 (45,0 %), 355 (25,0 %), 284 (20,0 %) und 142 (10,0 %) für C1–C4. Chi-Quadrat-Tests zeigten signifikante Unterschiede hinsichtlich Geschlecht und körperlicher Aktivität zwischen den Profilen (p < 0,001; Tabelle 2). Die Vier-Profile-Lösung bot das beste Gleichgewicht zwischen Modellgüte und theoretischer Interpretierbarkeit mit einer hohen Klassifikationsgenauigkeit (Entropie = 0,915).

Gruppe mit gesundem Schlaf (C1, 45,0 %): Schüler in dieser Gruppe wiesen niedrige Werte in allen sieben PSQI-Komponenten auf, was auf einen relativ regelmäßigen Schlaf und eine bessere Schlafqualität hinweist. Gruppe mit unzureichendem Schlaf (C2, 25,0 %): Diese Gruppe zeichnete sich durch relativ hohe Werte bei Schlafdauer und Einschlafzeit auf, wobei die Tagesmüdigkeit jedoch nicht ausgeprägt war. Gruppe mit schlechter Schlafqualität (C3, 20,0 %): Schüler in dieser Gruppe wiesen relativ hohe Werte bezüglich subjektiver Schlafqualität, Schlafstörungen und Tagesfunktionsstörungen sowie eine relativ niedrige Schlafeffizienz auf. Gruppe mit schweren Schlafstörungen (C4, 10,0 %): Diese Untergruppe zeigte hohe Werte in den meisten PSQI-Komponenten und berichtete höhere Werte bezüglich der Einnahme von Schlafmitteln als die anderen Profile, was auf ein erhöhtes Risiko für klinisch relevante Schlafprobleme hindeutet, jedoch nicht auf eine bestätigte klinische Diagnose.

Die genauen bedingten Mittelwerte und Standardabweichungen der sieben PSQI-Komponentenwerte für jedes Profil sind in Zusätzlicher Tabelle 4 angegeben.

Tabelle 2: Verteilung der demografischen Merkmale und körperlichen Aktivitätsniveaus über die Schlafprofile hinweg. C1, gesunde Schlafgruppe; C2, Gruppe mit unzureichendem Schlaf; C3, Gruppe mit schlechter Schlafqualität; C4, Gruppe mit schwerer Schlafstörung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Die körperliche Aktivität wurde als abhängige Variable eingegeben, wobei die Gruppe mit niedriger körperlicher Aktivität als Referenzkategorie diente. Das Schlafprofil wurde als unabhängige Variable eingegeben, wobei die Gruppe mit schwerer Schlafstörung als Referenzkategorie galt, und das Geschlecht wurde kontrolliert. Wie in Tabelle 3 gezeigt, berichteten Studierende der Gruppen mit gesundem Schlaf beziehungsweise unzureichendem Schlaf signifikant häufiger über moderate und hohe körperliche Aktivität im Vergleich zu Studierenden der Gruppe mit schwerer Schlafstörung. Diese Ergebnisse stützen einen Zusammenhang zwischen günstigen Schlafprofilen und höheren Niveaus körperlicher Aktivität; aufgrund des querschnittlichen Studiendesigns können jedoch keine kausalen Schlussfolgerungen gezogen werden.

Tabelle 3: Multinomiale logistische Regression von Schlafprofilen und körperlicher Aktivität bei Studierenden. Geringe körperliche Aktivität war die Referenzkategorie für das Ergebnis, und die Gruppe mit schwerer Schlafstörung war die Referenzkategorie für das Schlafprofil. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

VERFÜGBARKEIT VON DATEN:

Die anonymisierten Rohdaten und Analyseprogrammierung, die die Ergebnisse dieser Studie unterstützen, sind öffentlich zugänglich in Figshare unter https://doi.org/10.6084/m9.figshare.33340908.

Zusatzdatei 1: Entidentifizierte Rohdaten (Sleep_LPA_Raw_Data_N1420.xlsx) mit englischen Variablenbezeichnungen und Codebuch.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 1: Bivariate Tests zur Unterschiedlichkeit der Kovariaten zwischen Schlafprofilen.
Hinweis: Kategoriale Variablen wurden mit dem Chi-Quadrat-Test nach Pearson geprüft; kontinuierliche Variablen mit der einfaktoriellen ANOVA. Lediglich das Geschlecht unterschied sich signifikant zwischen den Profilen (p < 0,001). Detaillierte Kategorieverteilungen bezüglich Schulnote, Herkunft, Rauchen, Alkoholkonsum und Studienfach wurden der Übersichtlichkeit halber weggelassen, sind jedoch den Rohdaten zu entnehmen.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 2: Multinomiale logistische Regression unter Berücksichtigung aller Kovariaten (Sensitivitätsanalyse).
Hinweis: Referenzkategorie für körperliche Aktivität (PA): Geringe PA; Referenzkategorie für Schlafprofil: C4 (Schwere Störung). Das Modell wurde angepasst nach Geschlecht, Alter, BMI, Bildschirmzeit, Schulstufe, Herkunftsort, Rauchen, Alkoholkonsum und Studienfach. Richtung und Signifikanz aller Assoziationen stimmen mit der primären Analyse (Tabelle 3) überein, die nur nach Geschlecht adjustiert war.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 3: Multinomiale logistische Regression mit clustergestützten robusten Standardfehlern (SPSS Complex Samples).
Hinweis: Standardfehler angepasst für Cluster nach Universität und Kurs (äquivalent zu SPSS Complex Samples; N = 1.420, Cluster = 3 Universitäten × intakte Kurse). Die B-Koeffizienten entsprechen denen der Hauptanalyse (Tabelle 3); lediglich die Standardfehler und p-Werte unterscheiden sich. C1 und C2 zeigen weiterhin eine signifikante Assoziation mit moderater sowie hoher körperlicher Aktivität; C3 bleibt nicht signifikant.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 4: Mittelwerte und Standardabweichungen der PSQI-Komponentenwerte nach Schlafprofil.
Hinweis: Die Werte sind bedingte Mittelwerte (Standardabweichungen) basierend auf der wahrscheinlichsten Klassenzuordnung. Alle sieben PSQI-Komponenten sowie der Gesamtwert unterschieden sich signifikant zwischen den Profilen (einfaktorielle ANOVA, alle p < 0,001). C1 = gesunder Schlaf; C2 = unzureichender Schlaf; C3 = schlechte Schlafqualität; C4 = schwerer Schlafstörung.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Anhand einer relativ großen Querschnittsstichprobe wandte diese Studie einen personenzentrierten LPA-Ansatz an, um vier heterogene Schlafprofile bei chinesischen Studierenden zu identifizieren, und untersuchte zudem die Zusammenhänge zwischen diesen Profilen und unterschiedlichen körperlichen Aktivitätsniveaus. Die Ergebnisse liefern eine nützliche Perspektive für das Verständnis der Clusterbildung von schlaf- und bewegungsbezogenen Gesundheitsverhalten bei Studierenden und bieten präzisere Ansatzpunkte für gesundheitliche Interventionen im universitären Umfeld.

Diese Studie klassifizierte die Schlafmuster von Hochschulstudierenden in vier Profile: gesunder Schlaf, unzureichender Schlaf, schlechte Schlafqualität und schwere Schlafstörungen. Obwohl die Gruppe mit gesundem Schlaf den größten Anteil ausmachte (45,0 %), wurden mehr als die Hälfte der Studierenden (55,0 %) in Profile eingeordnet, die durch schlechten Schlaf gekennzeichnet waren. Dieses Ergebnis stimmt mit internationalen Befunden überein, die auf eine hohe Prävalenz von Schlafproblemen bei Jugendlichen und jungen Erwachsenen hinweisen3,4. Insbesondere der Anteil weiblicher Studierender in der Gruppe mit schweren Schlafstörungen war deutlich höher als der männlicher Studierender (68,3 % vs. 31,7 %), was mit früheren Ergebnissen zu geschlechtsspezifischen Unterschieden im Schlafverhalten übereinstimmt. Schwankungen des Hormonspiegels bei Frauen im Verlauf des Menstruationszyklus, einschließlich zyklischer Veränderungen von Östrogen und Progesteron, könnten die Anfälligkeit für Schlafstörungen erhöhen10. Aus psychologischer Sicht könnten weibliche Studierende außerdem empfindlicher gegenüber akademischem und zwischenmenschlichem Stress sein und negative Emotionen stärker internalisieren. Solches Grübeln könnte die Einschlaflatenz verlängern und die Schlafvertiefung verringern7. Außerdem gehörten 25,0 % der Studierenden zur Gruppe mit unzureichendem Schlaf. Basierend auf früheren Studien könnte dieses Profil teilweise auf eine verlängerte Bildschirmzeit vor dem Schlafengehen und auf die Exposition gegenüber blauem Licht von mobilen Geräten sowie auf relativ schwache Zeitmanagementfähigkeiten zurückzuführen sein30; diese Faktoren wurden in der vorliegenden Studie jedoch nicht direkt untersucht und sollten in zukünftigen Forschungsarbeiten geprüft werden.

Diese Studie ergab signifikante gestufte Unterschiede in den körperlichen Aktivitätsniveaus zwischen den Schlafprofilen. Die multinomiale logistische Regression zeigte, dass Studierende der Gruppe mit gesundem Schlaf im Vergleich zu Studierenden mit starken Schlafstörungen eine deutlich höhere Wahrscheinlichkeit hatten, eine hohe körperliche Aktivität zu erreichen (OR = 7,55). Diese Ergebnisse stimmen mit dem Konzept der Häufung von Gesundheitsverhalten in der Lebensstilmedizin überein und legen nahe, dass günstige Schlafmuster und regelmäßige körperliche Aktivität bei denselben Individuen zusammen auftreten können.

Die beobachtete Assoziation zwischen Schlafprofilen und körperlicher Aktivität (PA) könnte durch mehrere mögliche physiologische und psychologische Mechanismen erklärt werden, obwohl diese im vorliegenden Querschnittsdesign nicht direkt untersucht wurden. Erstens ist es möglich, dass regelmäßige körperliche Aktivität den Schlaf fördert. Körperliche Aktivität in moderater bis hoher Intensität kann einen akuten Anstieg der Körpertemperatur hervorrufen, dem eine kompensatorische Abnahme nach der Belastung folgt, die den Einschlafvorgang erleichtern und den Anteil des Tiefschlafs erhöhen kann17. Regelmäßige körperliche Aktivität könnte außerdem das autonome Nervensystem regulieren, indem sie den Vagustonus verstärkt und eine übermäßige sympathische Aktivierung reduziert. Darüber hinaus könnten durch Bewegung induzierte Endorphine und das vom Gehirn stammende neurotrope Protein (BDNF) helfen, Depressionen und Angstzustände zu lindern, wodurch psychologische Ursachen von Schlafstörungen verringert werden36,37. Tageslichtaktivitäten am Tag könnten zudem die retinale Lichtexposition erhöhen, was zur Synchronisation der zirkadianen Rhythmen und zur Stabilisierung der Melatoninsekretion beiträgt38. Zweitens ist es ebenso denkbar, dass schlechter Schlaf die körperliche Aktivität tagsüber einschränkt. Studierende in der Gruppe mit schweren Schlafstörungen könnten tagsüber aufgrund unzureichender nächtlicher Erholung Müdigkeit und Schläfrigkeit verspüren, was sich in hohen Werten für die Tagesdysfunktion im PSQI widerspiegelt. Dieser Energiemangel könnte die Selbstwirksamkeit und Motivation für körperliche Anstrengung verringern20,28. Experimentelle Befunde und Übersichtsarbeiten legen nahe, dass Schlaf und körperliche Aktivität sich gegenseitig über Erholungs-, Ermüdungs-, affektive und zirkadiane Wege beeinflussen können28,39. Daher könnten Studierende mit schweren Schlafproblemen eher zu einem sitzenden Lebensstil neigen. Diese vorgeschlagenen bidirektionalen Wechselwirkungen bleiben jedoch spekulativ und sollten in Längsschnittkohortenstudien und randomisierten kontrollierten Studien überprüft werden.

Diese Studie weist die Stärken einer vergleichsweise großen Stichprobe und eines personenzentrierten analytischen Ansatzes auf; jedoch sollten mehrere Einschränkungen berücksichtigt werden. Erstens können aufgrund des Querschnittsdesigns der Studie keine kausalen Zusammenhänge zwischen Schlafmustern und körperlicher Aktivität abgeleitet werden. Zukünftige Längsschnittstudien oder randomisierte kontrollierte Studien sind erforderlich, um die Wirkung von Bewegungsinterventionen auf spezifische Schlafprofile zu überprüfen39. Zweitens wurden Schlafverhalten und körperliche Aktivität mittels Selbstberichtsskalen erfasst, die durch Erinnerungs- und soziale Erwünschtheitsbias beeinflusst sein können. Zukünftige Forschung sollte Polysomnographie, Beschleunigungsmesser oder tragbare Geräte einbeziehen, um objektivere physiologische und verhaltensbezogene Daten zu erhalten22,24. Drittens war die Stichprobe auf Studierende von Hochschulen im südlichen China beschränkt; daher könnten kulturelle Hintergründe und klimatische Bedingungen die Übertragbarkeit der Ergebnisse einschränken. Zukünftige Studien sollten Teilnehmer aus weiter gefassten geografischen Regionen und Berufsgruppen einbeziehen. Viertens führte die Sensitivitätsanalyse für komplexe Stichproben, die auf Clustern innerhalb von Hochschulen und Klassen beruhte, zwar zu konsistenten Ergebnissen, die Chi-Quadrat-Tests berücksichtigten jedoch die durch Cluster-Stichproben verursachte Intraklassenkorrelation nicht explizit. Zukünftige Studien mit einer größeren Anzahl von Clustern sollten bereits in der Planungsphase mehrstufige latente Profilanalysen oder mehrstufige Regressionsmodelle in Betracht ziehen. Fünftens wurde in der multinomialen logistischen Regression die wahrscheinlichste Klassenzugehörigkeit verwendet, die aus dem latenten Profilmodell exportiert wurde, was die Klassifizierungsunsicherheit nicht vollständig berücksichtigt. Obwohl die hohe Entropie (0,915) und die durchschnittlichen a posteriori-Wahrscheinlichkeiten über 0,80 für alle Klassen auf eine hohe Klassifikationsgenauigkeit hindeuten, sollten zukünftige Studien modellbasierte Ansätze wie das dreistufige Verfahren nach Bolck-Croon-Hagenaars (BCH) anwenden, um die Klassifizierungsunsicherheit angemessener in sekundäre Analysen einzubeziehen.

Die Schlafmuster von Studierenden sind nicht homogen, sondern zeigen deutliche Gruppenunterschiede. In dieser Studie wurden sie in vier latente Profilgruppen eingeteilt: gesunder Schlaf, unzureichender Schlaf, schlechte Schlafqualität und schwere Schlafstörungen. Günstige Schlafmuster waren positiv mit moderater und hoher körperlicher Aktivität assoziiert. Diese Ergebnisse legen nahe, dass Hochschuldozenten und Entscheidungsträger im öffentlichen Gesundheitswesen auf pauschale Ansätze verzichten sollten, wenn es um die Förderung der psychischen Gesundheit und körperlichen Fitness von Studierenden geht. Bei Studierenden der Gruppe mit unzureichendem Schlaf könnten Interventionen auf Zeitmanagement und Verhaltensweisen vor dem Zubettgehen abzielen. Bei Studierenden der Gruppe mit schweren Schlafstörungen könnte, falls klinisch indiziert, professionelle psychologische Unterstützung, einschließlich kognitiver Verhaltenstherapie bei Insomnie (CBT-I), in Betracht gezogen werden40. Das Ausmaß der körperlichen Aktivität könnte als nützlicher Verhaltensmarker dienen, um Studierende mit erhöhtem Risiko für schlechten Schlaf zu identifizieren; es sind jedoch Längsschnitt- und Interventionsstudien erforderlich, um zu klären, ob eine Steigerung der körperlichen Aktivität bestimmte Schlafprofile verbessern kann.

Offenlegungen

Die Autoren erklären, dass diese Arbeit ohne kommerzielle oder finanzielle Beziehungen durchgeführt wurde, die als möglicher Interessenkonflikt ausgelegt werden könnten.

Danksagungen

Wir danken den beteiligten Universitäten und allen Studierenden, die die Umfrage ausgefüllt haben. Diese Arbeit wurde unterstützt durch das Forschungsprojekt für Geistes- und Sozialwissenschaften für Nachwuchswissenschaftler des Bildungsministeriums (Förderkennzeichen Nr. 23YJC890059); das Forschungsprojekt zur Bildungs- und Unterrichtsreform der Provinz Hunan (Förderkennzeichen Nr. 202502000069).

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Fragebogen zu demografischen Daten und LebensstilSelbst entwickelt durch das StudienteamN/VDient zur Erfassung von Geschlecht, Alter, Schulstufe, Herkunftsort, Body-Mass-Index, Rauchgeschichte, Alkoholkonsumgeschichte und durchschnittlicher täglicher Bildschirmzeit.
Pittsburgh Sleep Quality Index (PSQI)Buysse et al., 1989DOI: 10.1016/0165-1781(89)90047-4Dient zur Beurteilung der Schlafqualität im zurückliegenden Monat. Sieben Komponentenwerte wurden als beobachtete Indikatoren für die latente Profilanalyse verwendet.
International Physical Activity Questionnaire-Short Form (IPAQ-SF)Craig et al., 2003

DOI: 10.1249/01.MSS.0000078924.61453

.FB

Dient zur Beurteilung von Gehaktivität, körperlicher Aktivität mittlerer Intensität und intensiver körperlicher Aktivität innerhalb der letzten sieben Tage.
Schriftliche informierte EinwilligungserklärungStudienteam und beteiligte UniversitätenEthische Genehmigungsnummer JSDX-2023-0034Dient zur Dokumentation der freiwilligen Teilnahme von Bachelorstudierenden im Alter von 18–25 Jahren.
Verfahren zur Datenerhebung mittels FragebogenBeteiligte Universitäten im Süden ChinasN/VDient der mehrstufigen, geschichteten, zufälligen Clusterstichprobe und der Durchführung der Befragung zwischen September und Dezember 2025.
MplusMuthen & MuthenVersion 8.3Dient zur Durchführung der latenten Profilanalyse basierend auf den sieben PSQI-Komponentenwerten.
IBM SPSS StatisticsIBMVersion 26.0Dient zur Durchführung von Chi-Quadrat-Tests und multinomialen logistischen Regressionsanalysen.
Microsoft ExcelMicrosoftN/VDient zur Erstellung separater JoVE-Tabellendateien zum Hochladen.

Referenzen

  1. Chaput JP, et al. Sleeping hours: What is the ideal number and how does age impact this? Nat Sci Sleep. 2018;10:421–430.
  2. Li J, et al. Sleep in normal aging. Sleep Med Clin. 2018;13(1):1–11.
  3. Becker SP, et al. Sleep in a large, multi-university sample of college students: Sleep problem prevalence, sex differences, and mental health correlates. Sleep Health. 2018;4(2):174–181.
  4. Lund HG, et al. Sleep patterns and predictors of disturbed sleep in a large population of college students. J Adolesc Health. 2010;46(2):124–132.
  5. Chen X, et al. Sleep characteristics and health-related quality of life among a national sample of American young adults. Sleep. 2014;37(4):793–799.
  6. Steptoe A, et al. Sleep duration and health in young adults. Arch Intern Med. 2006;166(16):1689–1692.
  7. Zhai L, et al. Sleep duration and depression among adults: A meta-analysis of prospective studies. Depress Anxiety. 2015;32(9):664–670.
  8. Grandner MA, et al. Sleep: Important considerations for the prevention of cardiovascular disease. Curr Opin Cardiol. 2016;31(5):551–565.
  9. Buysse DJ, et al. The Pittsburgh Sleep Quality Index: A new instrument for psychiatric practice and research. Psychiatry Res. 1989;28(2):193–213.
  10. Hirshkowitz M, et al. National Sleep Foundation’s sleep time duration recommendations: Methodology and results summary. Sleep Health. 2015;1(1):40–43.
  11. Nylund-Gibson K, et al. Ten frequently asked questions about latent class analysis. Transl Issues Psychol Sci. 2018;4(4):440–461.
  12. Nylund KL, et al. Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Struct Equ Modeling. 2007;14(4):535–569.
  13. Lanza ST, et al. Latent class analysis: An alternative perspective on subgroup analysis in prevention and treatment. Prev Sci. 2013;14(2):157–168.
  14. Bull FC, et al. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. Br J Sports Med. 2020;54(24):1451–1462.
  15. U.S. Department of Health and Human Services. Physical Activity Guidelines for Americans. 2nd ed. U.S. Department of Health and Human Services; Washington, DC; 2018.
  16. Stamatakis E, et al. Sitting time, physical activity, and risk of mortality in adults. J Am Coll Cardiol. 2019;73(16):2062–2072.
  17. Nystoriak MA, et al. Cardiovascular effects and benefits of exercise. Front Cardiovasc Med. 2018;5:135.
  18. Biddle SJH, et al. A systematic review of physical activity and health in emerging adults. J Sci Med Sport. 2015;18(6):633–638.
  19. Lubans D, et al. Physical activity for cognitive and mental health in youth: A systematic review of mechanisms. Pediatrics. 2016;138(3):e20161642.
  20. Kredlow MA, et al. The effects of physical activity on sleep: A meta-analytic review. J Behav Med. 2015;38(3):427–449.
  21. Wang F, et al. The effect of physical activity on sleep quality: A systematic review. Eur J Physiother. 2021;23(1):11–18.
  22. Buman MP, et al. Objectively measured physical activity and sleep in older men. J Sleep Res. 2014;23(2):164–171.
  23. Loprinzi PD, et al. Association between objectively-measured physical activity and sleep, NHANES 2005–2006. Ment Health Phys Act. 2011;4(2):65–69.
  24. Vandelanotte C, et al. Associations between objective sleep characteristics and physical activity and sedentary behaviours. J Sci Med Sport. 2019;22(5):565–570.
  25. Pedisic Z, et al. State of health in Australian adults: Does physical activity mitigate the negative impact of poor sleep? J Sci Med Sport. 2014;17(1):60–65.
  26. Memon AR, et al. Sleep and physical activity in university students: A systematic review and meta-analysis. Sleep Med Rev. 2021;58:101482.
  27. Kline CE. The bidirectional relationship between exercise and sleep: Implications for exercise adherence and sleep improvement. Am J Lifestyle Med. 2014;8(6):375–379.
  28. Dolezal BA, et al. Interrelationship between sleep and exercise: A systematic review. Adv Prev Med. 2017;2017:1364387.
  29. Gerber M, et al. Fitness and exercise as correlates of sleep complaints: Is it all in our minds? Med Sci Sports Exerc. 2010;42(5):893–901.
  30. Wu X, et al. Low physical activity and high screen time can increase the risks of mental health problems and poor sleep quality among Chinese college students. PLoS One. 2015;10(3):e0119607.
  31. Carter B, et al. Association between portable screen-based media device access or use and sleep outcomes: A systematic review and meta-analysis. JAMA Pediatr. 2016;170(12):1202–1208.
  32. Craig CL, et al. International Physical Activity Questionnaire: 12-country reliability and validity. Med Sci Sports Exerc. 2003;35(8):1381–1395.
  33. Dinger MK, et al. Validity and reliability of the International Physical Activity Questionnaire in college students. Am J Health Educ. 2006;37(6):337–343.
  34. Muthén LK, Muthén BO. Mplus User’s Guide. 8th ed. Muthén & Muthén; Los Angeles, CA; 1998–2017.
  35. Spurk D, et al. Latent profile analysis: A review and “how to” guide of its application within vocational behavior research. J Vocat Behav. 2020;120:103445.
  36. Rebar AL, et al. A meta-meta-analysis of the effect of physical activity on depression and anxiety in non-clinical adult populations. Health Psychol Rev. 2015;9(3):366–378.
  37. Yang PY, et al. Exercise training improves sleep quality in middle-aged and older adults with sleep problems: A systematic review. J Physiother. 2012;58(3):157–163.
  38. Irish LA, et al. The role of sleep hygiene in promoting public health: A review of empirical evidence. Sleep Med Rev. 2015;22:23–36.
  39. Driver HS, et al. Exercise and sleep. Sleep Med Rev. 2000;4(4):387–402.
  40. Morin CM, et al. Chronic insomnia. Lancet. 2012;379(9821):1129–1141.

Nachdrucke und Genehmigungen

Tags

SchlafqualitätSchlafstörungPittsburgh Sleep Quality Indexmultinomiale logistische RegressionGesundheitsinterventionen
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.